AI领域的发展速度令人震惊，先是文本到语音、图片、再到视频，如今文本到交互都已经来了。谷歌本周发布了一种全新的AI模型Genie，它可以接收文本提示、草图或想法，将其变成一个可以互动和玩耍的虚拟世界。

谷歌称Genie是专门从互联网视频中训练出来的基础世界模型，可以根据图像提示，生成各种各样动作可控的2D世界。模型由三部分组成：一个时空视频标记器、一个自回归动力学模型以及一个简单且可扩展的潜在行动模型。

对用户而言，只要提供一段文本、一张草图，Genie就会完成剩下的工作，生成一款2D游戏。与Sora呈现出来的高清晰度、高真实度相比，Genie似乎不那么强调画面真实性，而是将重点放在潜在动作预测上。

谷歌DeepMind表示，Genie为生成和进入虚拟世界打开了大门。例如可以采用最先进的文生图大模型来生成初始帧，然后用Genie赋予它们“生命”。

目前Genie是一个研究项目，而不是最终产品。它的训练视频是160x90像素的超低分辨率视频，每秒只有10帧，它生成的“游戏”同样是低分辨率的，每秒只有1帧，离实时可玩还很远，但DeepMind表示，Genie引入了一个能从图像或文本生成整个交互式世界的时代，它将成为训练未来通才AI智能体的催化剂。

AI杀入视频游戏领域！谷歌发布Genie世界模型 一张图就能变成游戏。点击视频，一看究竟！

文章作者

视点

近日，谷歌推出了他们认为最强大的人工智能模型Gemini，向竞争对手OpenAI的大模型GPT-4发出挑战。Gemini是否有谷歌宣称的那么完美？本期元宇宙研究院，䒕雅带你一探究竟！